关键词： 目标检测   YOLO   SSD   Faster R-CNN   视频监控   算法优化  

摘要： 随着视频监控系统的复杂性增加,海量、实时且准确的视频监控目标检测变得至关重要。现有的视频目标检测算法如YOLO、SSD和Faster R-CNN各有优劣,且对于海量视频进行目标检测,单一算法均难以满足不同的视频检测需求。鉴于此针对视频目标检测,提出了一种混合的目标检测算法,该算法结合了YOLO的快速检测能力、SSD的多尺度处理优势以及Faster R-CNN的高精度特点,旨在优化视频监控的性能。通过在合成数据集和真实世界数据集上的实验验证,该混合算法在速度和准确性上均展现出显著改进,特别是在处理小目标和高密度交通场景时的表现良好。

关键词： 小目标检测   主干网络   上下文   特征交互  

摘要： 无人机航拍图像内,小目标像素少、细节模糊且特征易丢失,现有算法对小目标检测效果不够理想。为此,提出一种基于上下文与特征交互的小目标检测算法。首先,采用ConvNeXt新一代卷积网络以增强特征表达能力;其次,设计稠密式信息增强模块(Dense Information Enhancement Module,DIEM)提取上下文信息;最后,提出特征交互单元(Feature Interaction Unit,FIU)促进浅层和深层特征的信息交互。检测结果显示,模型精度mAP50达到45.9%,相较于基线提升了6.0%,减少了错检漏检现象。

关键词： 红外船舶   目标检测跟踪   PP-YOLOE   任务对齐学习   ByteTrack  

摘要： 针于无人机侦察采集到的红外影像,如何快速准确地检测到船舶目标,并进行连续跟踪,提出了一种基于改进PP-YOLOE和ByteTrack算法的红外船舶目标检测跟踪方法。对红外船舶目标检测过程中存在的多尺度、小目标、有遮挡的情况,在PP-YOLOE算法基础上,通过采用任务对齐学习(task alignment learning,TAL)、增加多采样路径、加强检测头的方式进行了相应的改进;对跟踪过程中通常存在遮挡容易导致跟踪丢失的情况,在ByteTrack算法基础上,通过将卡尔曼滤波与匈牙利算法相结合、增加ReID特征计算外观相似度的方法进行了一定的强化。实验结果表明,所提方法检测精度较高,跟踪效果较好,能够满足现实任务的需要。

关键词： 智能视频监控   深度学习   安防   目标检测   行为分析   异常预警  

摘要： 针对传统视频监控系统在环境适应性、目标多样性识别及遮挡处理方面的不足,本研究设计了一种基于深度学习的智能视频监控系统。该系统通过自适应视频采集、改进的级联区域卷积神经网络(region-based convolutional neural network,R-CNN)目标检测、基于图卷积网络和长短期记忆网络的时空行为理解等关键技术,有效提升了监控系统的环境适应性、检测精度和智能分析能力。实验结果表明:该系统在目标检测、行为识别、异常预警等方面均优于传统方法,为智慧安防应用提供了新的思路和方案。

关键词： 纯方位多目标跟踪   多传感器   势平衡多伯努利滤波   伪线性卡尔曼滤波   贪婪算法  

摘要： 被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

关键词： 运动姿态识别   目标检测   自适应跑步机   回归分析  

摘要： 阐述一种可以用于检测用户实时速度变化及运动姿态变化的运动姿态图像识别计算算法。通过摄像头对目标关键信息进行特征提取,结合惯性传感数据进行数据交叉。采用帧差和校准计算的特征提取方法,并对处理过的数据进行归一化和回归分析,最终给出用户未来可能的运动方向及姿态,对运动结果进行预判分析。

关键词： 图像处理   疲劳驾驶检测   人脸状态识别   YOLOv5s   轻量化算法  

摘要： 针对现有的疲劳驾驶检测模型存在的精度低、模型体积较大且在低光环境下性能降低等问题,提出一种基于图像增强和人脸状态识别的疲劳驾驶检测模型。通过改进YOLOv5s模型进行低照度下人脸检测和关键点定位,并在YOLOv5s中引入self-calibrated illumination(SCI)模块对低照度图像进行图像增强。将下采样层替换为StemBlock模块,提高特征表达能力。将主干网络替换为ShuffleNetv2,大幅降低模型的参数量和计算量。引入cbam inverted bottleneck C3(CIBC3)模块以代替C3模块,降低噪声对检测的干扰并增强模型的全局感知能力。在总损失函数中,添加wing损失函数用于人脸关键点回归。之后,使用疲劳状态识别网络判断人脸检测模型定位到的眼嘴部位的开闭状态,最后采用评价指标判断疲劳状态。在DARK FACE数据集上的实验结果表明,对比基准模型YOLOv5s,改进后的YOLOv5s模型在参数量和计算量上分别下降62.12%、63.41%的同时精度提高2.38百分点。所提疲劳驾驶检测模型在YawDD正常光照数据集与自建低光照数据集上分别达到96.07%、94.50%的准确率,优于其他模型且单张图像处理时间仅为27 ms。这表明所提疲劳驾驶检测模型在保证正常环境与低光环境下的检测准确率的同时还能满足实时性要求,且具备部署在算力有限的边缘计算设备上的能力。

关键词： 无人机   孪生网络   轻量化网络   注意力机制   自适应加权   特征融合   视觉跟踪  

摘要： 针对传统的目标跟踪算法在无人机场景下的计算量大、实时性差等问题,提出一种基于孪生网络融合Transformer的轻量化算法(SiamTMA)。通过在孪生网络目标跟踪方法上融合Transformer编解码器模块和自适应加权融合算法,帮助模型更好地建模目标的运动轨迹,提高目标跟踪的准确率和鲁棒性;引入轻量化的主干网络MobileNetV2,使算法在保持较高的准确性同时可以在计算资源有限的无人机设备上运行。在目标跟踪标准数据集OTB100、UAV123及VOT2018上进行对比实验评估,结果表明,与传统的目标跟踪算法相比,SiamTMA在无人机场景中展现出更优越的性能。

关键词： 3D点云   孪生网络   目标跟踪   Transformer   特征融合  

摘要： 三维点云目标跟踪的过程中时常会出现遮挡、稀疏性和随机噪声等问题。为了解决这些问题,提出了一种新颖的多级Transformer特征融合的三维点云目标跟踪方法。该方法主要由点注意嵌入模块和点注意力增强模块组成,且这两个模块分别用于特征提取和特征匹配的过程中。通过将两个注意力机制相互嵌入构成点注意力嵌入模块,并将其和PTTR所提出的关系感知采样法融合,实现充分提取特征的目的。将提取到的特征信息输入点注意力增强模块中,通过交叉注意力机制对不同层次的特征依次匹配,达到全局特征和局部特征深度融合的目标。为了获取判别性特征融合图,利用残差网络的方式对不同层的融合结果进行连接。将特征融合图输入目标预测的模块中,实现对最终3D目标对象的精准预测。在KITTI数据集、nuScenes数据集和Waymo数据集上的实验验证了该方法的有效性。若不计小样本数据,在目标跟踪的成功值中该方法平均提高了1.4个百分点,在跟踪的精确值上也提高了1.4个百分点。

关键词： 目标检测   GSConv   跨阶段局部网络   注意力机制   SK模块  

摘要： 为了改善复杂背景情况下火焰检测算法检测效果较差、对小目标不敏感和计算量过大等缺陷,该文设计出一种轻量化的目标检测算法——GS-YOLOv5s。研究将鬼影混洗卷积瓶颈模块(GS bottleneck)应用于特征提取网络,提出跨阶段特征提取网络——GS-C2,通过对局部区域进行特征分流,使模型能够更专注地学习目标周围的局部特征,从而提高复杂背景下的目标检测精度;然后在模型的颈部网络中使用轻量化卷积GSConv,在实现模型轻量化的同时提高检测精度;最后通过融入选择性注意力LSK模块扩大感受野,更好地捕捉到全局上下文信息,提供更全面的场景理解,使网络更好地理解和响应小目标。数据集测试结果表明,与YOLOv5s基准模型相比,该算法结构整体参数量和浮点运算量分别减少了约20%和21%,同时mAP_(0.5)相较于YOLOv5s提高了4.6百分点。实验结果表明,GS-YOLOv5s既提高了检测精度,又满足了轻量化以及实时检测的需求,极大提高了火焰检测算法的实用性。